PixIE：由视觉基础模型语义提示的像素空间低光图像增强
计算机视觉与模式识别
2026-05-29 v2
摘要
低光图像 suffer于严重的噪声、对比度损失和语义模糊，使得增强成为去噪与细节恢复的联合问题。我们提出 PixIE，一个以视觉基础模型语义提示的前馈像素空间 LLIE 框架。PixIE 首先执行跨尺度去噪以抑制噪声并保留结构，然后通过 DINO-Prompted 像素块(DPPBs) 进行细节细化，这些块通过 patch 条件化、空间连续的 per-pixel 调制注入中间 DINOv3 特征。为使像素空间注意力在跨尺度间高效，我们引入空间-通道压缩(SCC)，联合减少空间 token 网格和通道维度。我们进一步提出多感受野像素嵌入(MRPE)，在语义提示前提供邻域感知的像素表示，提高了对信号相关噪声的鲁棒性，超越点级嵌入。在 LLIE benchmark 上进行的实验表明，PixIE 在最近的 SOTA 方法上平均 PSNR 提升 1.9-15.0%，LPIPS 降低 8.5-44.4%。定性比较进一步显示更锐利的细节和更稳定的纹理，提高了重建保真度和感知质量。
引用
@article{arxiv.2605.23531,
title = {PixIE: Prompted Pixel-Space Low-Light Image Enhancement},
author = {Ruirui Lin and Guoxi Huang and David Bull and Nantheera Anantrasirichai},
journal= {arXiv preprint arXiv:2605.23531},
year = {2026}
}